এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
গভীর বেঁচে থাকার বিশ্লেষণ
কভ্যারিয়েট এবং ইভেন্ট ঝুঁকির মধ্যে জটিল অ-রৈখিক সম্পর্ক ক্যাপচার করতে সক্ষম, বেঁচে থাকার ডেটা মডেল করার জন্য গভীর নিউরাল নেটওয়ার্কের প্রয়োগ।
সময় সেন্সরিং
এমন ঘটনা যেখানে অধ্যয়নের শেষ হওয়ার আগে কিছু ইউনিটের জন্য আগ্রহের ইভেন্ট পর্যবেক্ষণ করা হয় না, যা অসম্পূর্ণ ডেটা তৈরি করে এবং নির্দিষ্ট বিশ্লেষণ পদ্ধতির প্রয়োজন হয়।
ঝুঁকি ফাংশন
একটি সময় t-তে ইভেন্টের তাৎক্ষণিক হার বর্ণনা করে এমন ফাংশন, যা সেই সময় পর্যন্ত বেঁচে থাকার শর্তাধীন, এবং গভীর শিক্ষার পদ্ধতিতে ভিন্নভাবে মডেল করা হয়।
ডিপহিট
ঝুঁকি ফাংশনের আকৃতির উপর প্যারামেট্রিক অনুমান ছাড়াই সরাসরি বিচ্ছিন্ন বেঁচে থাকার বন্টন মডেল করে এমন গভীর নিউরাল নেটওয়ার্ক আর্কিটেকচার।
ডান সেন্সরিং
বেঁচে থাকার বিশ্লেষণে সবচেয়ে সাধারণ ধরনের সেন্সরিং, যেখানে জানা যায় যে বেঁচে থাকার সময় একটি নির্দিষ্ট পর্যবেক্ষিত মানের চেয়ে বেশি, কিন্তু সঠিক মান অজানা।
বেঁচে থাকার ক্ষতি
বেঁচে থাকার মডেলগুলির জন্য বিশেষভাবে ডিজাইন করা ক্ষতি ফাংশন, যা অপ্টিমাইজেশনে পর্যবেক্ষিত ইভেন্ট সময় এবং সেন্সর করা ডেটা উভয়ই বিবেচনা করে।
গভীর কক্স নেটওয়ার্ক
কভ্যারিয়েটগুলির একটি অ-রৈখিক উপস্থাপনা শেখার জন্য একটি নিউরাল নেটওয়ার্ক ব্যবহার করে আনুপাতিক ঝুঁকির অনুমান বজায় রাখার সময় আনুপাতিক কক্স মডেলের সম্প্রসারণ।
নিউরাল কাপলান-মায়ার
গভীর শিক্ষার পদ্ধতি যা নিউরাল নেটওয়ার্কের নমনীয়তা এবং কাপলান-মায়ার অনুমানকারীর অ-প্যারামেট্রিক বৈশিষ্ট্যগুলিকে একত্রিত করে বেঁচে থাকার ফাংশন অনুমান করে।
তথ্যগত সেন্সরশিপ (Informative Censoring)
এমন পরিস্থিতি যেখানে সেন্সরিং প্রক্রিয়া ইভেন্টের ঝুঁকির সাথে সম্পর্কিত, যা নন-ইনফরমেটিভ সেন্সরিং অনুমান লঙ্ঘন করে এবং আরও পরিশীলিত সারভাইভাল মডেলের প্রয়োজন হয়।
ইভেন্ট-সময় পূর্বাভাস (Time-to-Event Prediction)
একটি নির্দিষ্ট ঘটনা ঘটার সময় অনুমান করার পূর্বাভাস কাজ, যা ডেটার জটিলতা এবং সেন্সরিং পরিচালনা করতে ডিপ লার্নিং মডেল ব্যবহার করে।
সারভাইভাল কার্ভ (Survival Curve)
সময়ের সাথে বেঁচে থাকার সম্ভাবনার গ্রাফিকাল উপস্থাপনা, যা ট্রেনিং ডেটা এবং ব্যক্তিগত পূর্বাভাস থেকে ডিপ লার্নিং মডেল দ্বারা অনুমান করা হয়।
কনকর্ডেন্স ইনডেক্স (C-index)
সারভাইভাল অ্যানালিসিসের জন্য নির্দিষ্ট মূল্যায়ন মেট্রিক যা ব্যক্তিদের জোড়ার মধ্যে ইভেন্ট সময় সঠিকভাবে ক্রমবিন্যাস করার মডেলের ক্ষমতা পরিমাপ করে।
ডাইনামিক ডিপ সারভাইভাল মডেল (Dynamic Deep Survival Models)
ডিপ লার্নিং মডেল যা সময়ের সাথে সাথে সারভাইভাল পূর্বাভাস ক্রমাগত আপডেট করতে অনুদৈর্ঘ্য বা অনুক্রমিক ডেটা অন্তর্ভুক্ত করে।
প্রতিযোগিতামূলক ঝুঁকি (Competing Risks)
এমন পরিস্থিতি যেখানে একাধিক ধরনের পারস্পরিক একচেটিয়া ইভেন্ট ঘটতে পারে, প্রতিটি কারণের জন্য নির্দিষ্ট ঝুঁকি অনুমান করতে মাল্টি-টাস্ক ডিপ লার্নিং মডেলের প্রয়োজন।
সারভাইভালের জন্য রিকারেন্ট নিউরাল নেটওয়ার্ক (Recurrent Neural Networks for Survival)
আরএনএন বা এলএসটিএম ব্যবহার করে অনুক্রমিক সারভাইভাল ডেটা মডেল করা যেখানে ইভেন্ট ঘটার আগে কোভেরিয়েট সময়ের সাথে বিকশিত হয়।
অ্যাটেনশন-ভিত্তিক সারভাইভাল মডেল (Attention-based Survival Models)
ডিপ লার্নিং আর্কিটেকচার যা বিভিন্ন সময়ে সারভাইভাল ঝুঁকিতে সবচেয়ে প্রভাবশালী কোভেরিয়েট সনাক্ত করতে অ্যাটেনশন মেকানিজম ব্যবহার করে।
ডিপ লার্নিং-এ ফ্রেইলটি মডেল
ব্যক্তি বা গোষ্ঠীর মধ্যে অপর্যবেক্ষিত বৈচিত্র্য ক্যাপচার করার জন্য র্যান্ডম ইফেক্ট (ফ্রেইলটি) অন্তর্ভুক্ত করে ডিপ লার্নিং সারভাইভাল মডেলের সম্প্রসারণ।
সারভাইভালজিএএন
সেন্সরিং বৈশিষ্ট্য এবং সময় বন্টন সংরক্ষণ করে বাস্তবসম্মত সারভাইভাল ডেটা সংশ্লেষণের জন্য বিশেষভাবে ডিজাইনকৃত জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক।
মাল্টি-টাস্ক সারভাইভাল লার্নিং
সারভাইভাল মডেলটি একই সাথে একাধিক সম্পর্কিত কাজে প্রশিক্ষিত হয় এমন একটি শেখার পদ্ধতি, যা সাধারণীকরণ উন্নত করতে এবং ভাগ করা সম্পর্ক ক্যাপচার করতে সহায়তা করে।